基于高分辨率遥感影像的地物变化监测方法
技术领域
本发明涉及卫星遥感技术领域,特别是涉及一种基于高分辨率遥感影像的地物变化监测方法。
背景技术
地物变化监测是利用同一地理区域不同时间点获取的两张或多张遥感影像来发现地球表面所发生的变化的过程。随着卫星遥感技术的不断发展,卫星遥感技术成为宏观研究环境变化的重要手段之一,其在环境监测、资源管理、灾害预报、重大工程监理、国防安全等领域发挥着重要作用。
以往基于像元的遥感变化监测技术存在此类不足:①在应用于高分辨遥感影像时,受限于“异物同谱”和“同物异谱”的影响,识别精度不高,且易产生“椒盐”噪声;②不能针对配准偏差提供有效的解决方案,尤其在高分辨率影像中,易受到配准偏差的影响而导致“伪变化”的检出;③通常未考虑阴影对于变化监测结果的影响,尤其是在建筑物密集的城区,将阴影变化部分错判为真实变化。
发明内容
基于此,有必要针对以往基于像元的遥感变化监测技术存在的不足,提供一种基于高分辨率遥感影像的地物变化监测方法。
为解决上述问题,本发明采取如下的技术方案:
一种基于高分辨率遥感影像的地物变化监测方法,包括以下步骤:
获取地物变化前后两个不同时相的高分辨率遥感影像,分别记为第一影像和第二影像,并对所述第一影像和所述第二影像进行配准;
以所述第一影像为基准,对所述第二影像进行辐射归一化处理;
计算所述第一影像中待研究像元i的特征向量与所述第二影像中以所述待研究像元i对应的像元i'为中心的邻域内所有像元的特征向量之间的欧式距离,并以最小欧式距离作为所述待研究像元i在所述第一影像和所述第二影像中的变化差异值,将所述待研究像元i遍历所述第一影像中的全部像元后,得到所述第一影像中全部像元在两个时相上的变化差异值;
识别所述第一影像和所述第二影像中的阴影像元;
根据所述变化差异值和所述阴影像元对所述第一影像和所述第二影像进行面向对象的变化区域提取,得到地物变化监测结果,该过程包括以下步骤:
分别计算所述第一影像和所述第二影像中每一个对象单元内的所述阴影像元占对应所述对象单元内像元总数的比值;所述第一影像和所述第二影像包括预设数量的所述对象单元,且所述第一影像和所述第二影像对应的所述对象单元一致,所述对象单元通过以下方式获得:以所述第一影像或者所述第二影像作为待分割影像,采用影像分割方法对所述待分割影像进行分割处理,得到预设数量的所述对象单元;
计算所述第一影像中每一个所述对象单元内全部像元的所述变化差异值的均值;
以任意一个所述对象单元作为待研究对象单元,判断所述第一影像中所述待研究对象单元对应的比值是否小于阴影判别阈值、所述第二影像中所述待研究对象单元对应的比值是否小于所述阴影判别阈值、所述第一影像中所述待研究对象单元对应的均值是否大于变化判别阈值,若是,则将所述待研究对象单元对应的区域判别为变化区域;
将所述待研究对象单元遍历全部所述对象单元后,得到地物变化监测结果。
与现有技术相比,本发明具有以下有益效果:
(1)本发明所提出的基于高分辨率遥感影像的地物变化监测方法能够根据地物变化前后两期不同的高分辨率遥感影像高效地提取变化区域,大大减少了人工劳动时间,且能够抑制影像配准偏差和地物阴影对于地物变化监测结果造成的影响;
(2)与此同时,本发明采用面向对象的影像分析技术,降低了噪声像元对地物变化监测结果的影响,抑制了变化监测结果中“椒盐噪声”的产生,提高了地物变化监测的准确度。
附图说明
图1为本发明其中一个实施例中基于高分辨率遥感影像的地物变化监测方法的流程示意图;
图2为本发明其中一个实施例中影像分割方法的流程图;
图3为本发明其中一个实施例中研究区对应的前一时相的第一影像;
图4为本发明其中一个实施例中研究区对应的后一时相的第二影像;
图5为本发明其中一个实施例中研究区对应的地物变化监测结果。
具体实施方式
本发明所提出的一种基于高分辨率遥感影像的地物变化监测方法的主要任务是在基于遥感影像的变化监测过程中,去除影像配准误差和地物阴影对变化监测提取结果的影响,同时采用面向对象的影像分析技术,抑制“椒盐”噪声的出现,提高地物变化监测的准确度。下面将结合附图及较佳实施例对本发明的技术方案进行详细描述。
在其中一个实施例中,如图1所示,本实施例公开一种基于高分辨率遥感影像的地物变化监测方法,该方法包括以下步骤:
S100获取地物变化前后两个不同时相的高分辨率遥感影像,分别记为第一影像和第二影像,并对第一影像和第二影像进行配准;
S200以第一影像为基准,对第二影像进行辐射归一化处理;
S300计算第一影像中待研究像元i的特征向量与第二影像中以待研究像元i对应的像元i'为中心的邻域内所有像元的特征向量之间的欧式距离,并以最小欧式距离作为待研究像元i在第一影像和第二影像中的变化差异值,将待研究像元i遍历第一影像中的全部像元后,得到第一影像中全部像元在两个时相上的变化差异值;
S400识别第一影像和第二影像中的阴影像元;
S500根据变化差异值和阴影像元对第一影像和第二影像进行面向对象的变化区域提取,得到地物变化监测结果。
(1)影像的配准
在步骤S100中,获取同一地点地物变化前后两个不同时相的高分辨率遥感影像,分别记为第一影像S1和第二影像S2,获取高分辨率遥感影像后,对影像进行配准,即以前一时相的第一影像S1为基准,对后一时相的影像S2进行配准,使得两幅影像在位置上相互匹配。
(2)辐射归一化
在步骤S200中,为了抑制同一种地物在不同成像时间、成像几何条件下反射特征的差异,避免变化错检的发生,以前一时相的第一影像S1为基准,按照公式(1)对后一时相的第二影像S2进行辐射归一化处理:
上式中,x(i,k)为第二影像S2的原始灰度值,y(i,k)为校正后的第二影像S2的灰度值,k表示第k波段,m1k表示第一影像S1第k波段灰度均值,m2k表示第二影像S2第k波段灰度均值,σ1k表示第一影像S1第k波段灰度方差,σ2k表示第二影像S2第k波段灰度方差。
(3)差异值的计算
在步骤S300中,以第一影像S1中任意一个像元作为待研究像元i,待研究像元i与第二影像S2中的像元i'相对应,计算待研究像元i的特征向量与以像元i'为中心的邻域内所有像元的特征向量之间的欧式距离,并以最小欧式距离作为待研究像元i在第一影像S1和第二影像S2中的变化差异值,以此克服配准偏差的影响;将待研究像元i遍历第一影像S1中的全部像元后,对第一影像S1中的每个像元重复上述操作,最后得到第一影像S1中所有像元在两个时相上的变化差异值。
待研究像元i的特征向量以及以像元i'为中心的邻域内所有像元的特征向量均为多维向量(例如特征向量为36维向量),该特征向量中包含以目标像元为中心的L×L(L为奇数,例如L=3)窗口内所有像元的RGB灰度值和强度梯度值,并且RGB灰度值和强度梯度值均为归一化后的数值,即RGB灰度值和强度梯度值均归一化至[0,1]范围内。当计算待研究像元i的特征向量时,目标像元为待研究像元i,待研究像元i的特征向量中包含以待研究像元i为中心的L×L窗口内所有像元的RGB灰度值和强度梯度值;当计算以像元i'为中心的邻域内像元的特征向量时,目标像元为以像元i'为中心的邻域内的像元,以像元i'为中心的邻域内的像元的特征向量中包含以邻域内对应的像元为中心的L×L窗口内所有像元的RGB灰度值和强度梯度值。
进一步地,以像元i'为中心的邻域大小为S×S(例如S=11),其中S为奇数,且S>L。
(4)阴影像元的识别
在步骤S400中,识别第一影像S1和第二影像S2中的阴影像元。识别阴影像元的过程具体包括以下步骤:
首先,分别计算第一影像S1和第二影像S2的强度值。第一影像S1和第二影像S2的强度值Brightness分别通过公式(2)计算得到:
上式中,Ri、Gi、Bi分别为像元i在红、绿、蓝波段的灰度值。
然后将第一影像S1和第二影像S2分别从RGB空间转换到HSI空间,并计算在HSI空间中第一影像S1和第二影像S2中各个像元的阴影指数。第一影像S1和第二影像S2中像元的阴影指数的计算方法如下:
以第一影像S1或者第二影像S2中的任意一个像元作为待计算像元,待计算像元的阴影指数等于分子与分母的比值,其中分子为在HSI空间中待计算像元的饱和度与亮度之差,分母为在HSI空间中待计算像元的饱和度与亮度之和。计算阴影指数NDIi的公式如下:
上式中,NDIi表示像元i的阴影指数,Si和Ii分别表示在HSI空间中像元i的饱和度(Saturation)和亮度(Intensity)。将待计算像元遍历第一影像S1和第二影像S2中的每一个像元之后,即可得到第一影像S1和第二影像S2中各个像元的阴影指数。
最后,人为设定强度值阈值Brightnessthd和阴影指数阈值NDIthd,将第一影像S1和第二影像S2中强度值小于强度值阈值Brightnessthd且阴影指数大于阴影指数阈值NDIthd的像元识别为阴影像元。进一步地,强度值阈值Brightnessthd可以设定为120,阴影指数阈值NDIthd可以设定为-0.5。
(5)面向对象的变化区域提取
在步骤S500中,根据变化差异值和阴影像元对第一影像S1和第二影像S2进行面向对象的变化区域提取,得到地物变化监测结果。
具体地,首先分别计算第一影像S1中每一个对象单元内的阴影像元占对应对象单元内像元总数的比值rad1和第二影像S2中每一个对象单元内的阴影像元占对应对象单元内像元总数的比值rad2。第一影像S1和第二影像S2包括预设数量的对象单元,由于可以选用第一影像S1和第二影像S2中的任意一幅影像来定义对象单元,因此第一影像S1和第二影像S2对应的对象单元是完全一致的,对象单元通过以下方式获得:以第一影像S1或者第二影像S2作为待分割影像,采用影像分割方法对待分割影像进行分割处理即将同特征的邻近像元集组合为一个对象单元,从而得到预设数量的对象单元。其中影像分割方法基于SLIC(Simple LinearIterative Cluster)超像素初始分割,采用生成树思想的邻近约束聚类,迭代地对差异最小的临接超像素单元进行合并,设置最终合并后的对象单元个数为N(即预设数量为N),当对象单元个数缩减为N时结束合并过程,如图2所示为影像分割方法的流程图,影像分割方法包括以下步骤:
步骤一:利用SLIC算法对待分割影像进行超像素初始分割,得到若干个分割单元(又称为超像素单元或者超像素块);
步骤二:计算任意两个相邻的分割单元的光谱差异值;任意两个相邻的分割单元i和分割单元j的光谱差异值Ci,j的计算公式如下:
上式中,
分别表示分割单元i内所有像元在红、绿、蓝波段的灰度均值,
分别表示分割单元j内所有像元在红、绿、蓝波段的灰度均值。
步骤三:统计全部光谱差异值,将最小光谱差异值对应的两个分割单元合并为一个新的分割单元;
步骤四:判断分割单元的总数是否大于预设数量N,若是,则重复步骤二至步骤三,直至分割单元的总数达到预设数量后结束分割处理。
分别计算第一影像S1的比值rad
1和第二影像S2的比值rad
2后,计算第一影像S1中每一个对象单元内全部像元的变化差异值的均值
其中每一个对象单元内任意一个像元的变化差异值已经通过步骤(3)计算得到。
以第一影像S1或者第二影像S2中的任意一个对象单元作为待研究对象单元,判断第一影像S1中待研究对象单元对应的比值rad
1是否小于阴影判别阈值rad
thd、第二影像S2中待对象单元对应的比值rad
2是否小于阴影判别阈值rad
thd以及第一影像S1中待研究对象单元对应的均值
是否大于变化判别阈值
即判断待研究对象单元是否满足判别条件
若是,则将待研究对象单元对应的区域判别为变化区域。
将待研究对象单元遍历全部对象单元后,得到地物变化监测结果,例如获得第一影像S1和第二影像S2对应的地物变化影像等。
本实施例所提出的基于高分辨率遥感影像的地物变化监测方法能够根据地物变化前后两期不同的高分辨率遥感影像高效地提取变化区域,大大减少了人工劳动时间,且能够抑制影像配准偏差和地物阴影对于地物变化监测结果造成的影响;与此同时,本实施例采用面向对象的影像分析技术,降低了噪声像元对地物变化监测结果的影响,抑制了变化监测结果中“椒盐噪声”的产生,提高了地物变化监测的准确度。
下面结合具体的研究区对本发明方法的有效性做进一步的阐述。本次的研究区仅以吉林省长春市北湖新区为例,该区面积约为9.2平方公里,于2016年2月3日由国务院批复同意设立,是第17个国家级新区。本次选取了2016年5月27日和2017年4月14日拍摄的两幅谷歌影像(图3和图4)分别作为前一时相的第一影像S1和后一时相的第二影像S2,两幅影像的分辨率为0.58米。在此期间,由于新区刚刚批复设立,在研究区内发生了诸多显著的变化,因此适宜作为本发明方法的测试区。首先,在影像配准及辐射归一化的基础上,计算两幅影像的阴影指数NDIi和强度值Brightness,设置阴影指数阈值NDIthd为-0.5,强度值阈值Brightnessthd为120,提取出两幅影像内的阴影像元。接着,采用36维特征向量描述下在11×11邻域内搜索最小差异的方式,计算两幅影像的变化差异值。下一步,采用本发明描述的影像分割方法对其中任意一幅影像进行分割处理,分割成N=8500个对象单元。最后,将在两个时相影像中阴影像元占比都低于50%且平均变化差异值大于0.8的对象单元识别为变化区域,地物变化监测结果如图5所示,由图3-5可知,利用本发明所提出的基于高分辨率遥感影像的地物变化监测方法对研究区的地物变化情况进行监测分析,得到的地物变化监测结果与真实变化情况有着极高的吻合度,表明本发明对于地物变化监测有着较高的准确度。
以上所述实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本发明的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。因此,本发明专利的保护范围应以所附权利要求为准。